| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 短期电力负荷预测的国内外研究现状 | 第11-12页 |
| 1.2.2 混沌时间序列在电力负荷预测中的研究现状 | 第12页 |
| 1.3 本文主要内容及结构安排 | 第12-14页 |
| 第2章 电力负荷预测的相关理论基础 | 第14-21页 |
| 2.1 混沌理论的产生和发展 | 第14-15页 |
| 2.2 混沌时间序列 | 第15-16页 |
| 2.2.1 混沌的定义及特征 | 第15页 |
| 2.2.2 混沌时间序列 | 第15-16页 |
| 2.3 短期电力负荷预测数据来源 | 第16页 |
| 2.4 电力负荷时间序列的相空间重构 | 第16-20页 |
| 2.4.1 相空间重构理论 | 第16-17页 |
| 2.4.2 相空间重构中参数的选取方法 | 第17-19页 |
| 2.4.3 短期电力负荷预测相空间重构仿真实例 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第3章 基于WNN的短期电力负荷预测设计及仿真 | 第21-30页 |
| 3.1 小波神经网络相关理论 | 第21-23页 |
| 3.1.1 人工神经网络 | 第21-22页 |
| 3.1.2 小波神经网络 | 第22-23页 |
| 3.2 小波神经网络预测算法 | 第23-26页 |
| 3.2.1 预测模型构建思路 | 第23页 |
| 3.2.2 小波神经网络结构的确定 | 第23页 |
| 3.2.3 小波函数的确定 | 第23-24页 |
| 3.2.4 小波神经网络学习算法 | 第24-26页 |
| 3.3 基于WNN的短期电力负荷预测仿真与分析 | 第26-29页 |
| 3.3.1 短期电力负荷预测评价指标 | 第26页 |
| 3.3.2 基于WNN的短期电力负荷预测算法步骤 | 第26-27页 |
| 3.3.3 基于WNN的短期电力负荷预测实例仿真与分析 | 第27-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第4章 基于SFLA的小波神经网络短期电力负荷预测 | 第30-41页 |
| 4.1 带惩罚项和自适应学习率的小波神经网络 | 第30-31页 |
| 4.1.1 惩罚项简介 | 第30-31页 |
| 4.1.2 自适应学习率 | 第31页 |
| 4.2 基于IWNN的短期电力负荷预测实例仿真 | 第31-34页 |
| 4.3 混合蛙跳算法简介 | 第34-36页 |
| 4.3.1 混合蛙跳算法原理及数学模型 | 第34-35页 |
| 4.3.2 SFLA算法流程 | 第35-36页 |
| 4.4 基于SFLA-WNN的短期电力负荷预测 | 第36-40页 |
| 4.4.1 基于SFLA-WNN的短期电力负荷预测实现步骤 | 第36-37页 |
| 4.4.2 基于SFLA-WNN的短期电力负荷预测仿真及分析 | 第37-40页 |
| 4.5 本章小结 | 第40-41页 |
| 第5章 基于CSFLA-WNN的短期电力负荷预测 | 第41-57页 |
| 5.1 | 第41-47页 |
| 5.1.1 基于IWNN的混合蛙跳算法初始种群构造 | 第41页 |
| 5.1.2 基于自适应移动因子的局部搜索策略 | 第41-45页 |
| 5.1.3 CSFLA算法流程 | 第45-47页 |
| 5.2 改进混合蛙跳算法性能测试仿真 | 第47-51页 |
| 5.2.1 测试函数的选取 | 第47-49页 |
| 5.2.2 仿真结果与分析 | 第49-51页 |
| 5.3 基于CSFLA-WNN的短期电力负荷预测 | 第51-56页 |
| 5.3.1 基于CSFLA-WNN的短期电力负荷预测步骤 | 第51-52页 |
| 5.3.2 基于CSFLA-WNN的短期电力负荷预测仿真及分析 | 第52-56页 |
| 5.4 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
